Prompts för ai-video: Håll världen konsekvent över sex klipp

Prompts för ai-video skrivs oftast för ett enda klipp. Mina måste överleva sex. Det är jobbet när din prompt också behöver beskriva en spelbar värld: ljuset i klipp ett måste matcha ljuset i klipp fyra, eller det blir bruten kontinuitet istället för en plats.

Här är den exakta struktur jag använder för AI-videoprompts på Veo, vad som ändras när jag kör samma uppdrag genom Kling, och de viljor som tyst kastade bort en tredjedel av mina genereringspoäng.

Varför de flesta AI-videoprompts går sönder efter klipp två

Jag hade sex filmiska klipp att generera för en värld: ett brett establishing-klipp, en mittplan, en närbild på vattnet, tre karaktärscener. Sex separata prompts, skrivna från grunden varje gång, precis som varje guide säger att man ska göra dem.

Vid klipp tre hade dimman tunnat ut. Vid klipp fem hade ljuset förändrats från skymning-blått till något närmare mitt på dagen. Ingen hade instruerat modellen att ändra vädret. Jag beskrev det bara lite olika varje gång, och lite olika sex gånger i rad blir till slut en helt annan planet.

Fixet var inte en bättre prompt. Det var ett låst block som jag klistrar överst på varje klipp i sekvensen, oförändrat:

World key (återanvänd orört i varje klipp):
dimmig bergsdal, skymning, kall blå-violett ljus, lätt markdimma,
distant bergssilhuett, återhållen färgbehandling, ingen lens flare

Allt efter den raden är fritt att ändra: handling, karaktär, kamera. World key gör det inte. Så fort jag började behandla kontinuitet som en låst tillgång istället för ett hoppas, sjönk min andel oanvändbara klipp från cirka fyra av tio till ungefär en av tio.

Det låter litet tills du räknar poäng. En sex-klipp sekvens med 40 procents fejlgrad betyder att regenerera två till tre klipp varje gång, utöver de sex du redan betalat för. Vid 10 procents fejlgrad slutför de flesta sekvenser rent på första försöket. Prompten blev kortare. Resultaten blev mer förutsägbara. Att dessa två saker hände tillsammans är det värt att märka.

De fem lagren som Veo faktiskt belönar

Googles egen promptskrivningsguide för Veo 3.1 delar upp en stark prompt i fem delar: handling och karaktär, kamera, miljö och ljus, stil och stämning, och ljud (alltså dialog, ljudeffekter och omgivningsljud), var och en skriven som sin egen rad. Hoppa över ljudlagret och du får ett tyst klipp som känns ofärdigt även när bildern är rätt.

Här är en prompt byggd på den strukturen, som beskriver en scen jag faktiskt genererade:

Kamera: långsam dolly in, höfthöjd, grund skärpedjup
Handling: en robotbartender polerar ett glas bakom en sliten träbisk
Aktion: han ställer ner glaset och tittar upp när dörren öppnas
Miljö: en dimmig jazzklub från 1920-tals Detroit, varma strängljus, lätt dis
Stil: 1940-tals film noir färgbehandling, mjuk kornighet
Ljud: omgivningsljud, sormlande samtal och en dämpad trumpet

Det är inte en nyckelordslista. Det är fem korta instruktioner som modellen kan agera på oberoende av varandra, vilket betyder mer än det låter. Google nämner en kund, ljudappen Pocket FM, som rapporterade en 30 till 40 procents ökning i tittarhållning efter att ha byggt lagerdelad, Veo-genererad video in i sin produkt. Jag kan inte verifiera den siffran själv, men det underliggande påståendet: att struktur slår en längre adjektivhöstack, matchar vad jag ser klipp efter klipp.

Att skriva NPC-dialog utan att förstöra scenen

Ljudlagret är där de flesta världsfokuserade prompts går sönder, för att dialog måste låta som om den tillhör en karaktär, inte en text-till-tal-läsare.

Citattecken betyder mer här än någonstans annat i prompten. Tillskriv raden till karaktären, beskriv leveransen, och håll den kort:

Ljud: bartender säger, "Vi får inte många främlingar här nere,"
i en platt, likgiltig ton. Omgivningsljud: avlägsen åska, glasiga klinkanden.

Två rader, inte ett stycke. En lång rad dialog tenderar att få fel eller klippas. Två korta utbyten, var och en med sin egen leveransnot, kommer ut närmare vad du faktiskt föreställde dig. Om en scen behöver en tredje rad dialog är det vanligtvis ett tecken på att det borde vara två klipp istället för ett, tillbaka till två-nya-element-regeln från world key.

Kameraspr åk är hävstången, inte adjektiven

Byt "filmisk" mot "andlöst" i en prompt och nästan ingenting ändras i resultatet. Byt "statisk vidvinkel" mot "långsam dolly in" och hela klippets emotionella register skiftar, för att modellen faktiskt tolkar den instruktionen som en fysisk kamerarörelse, inte dekoration.

De verb som konstant fungerar över både Veo och Kling: dolly in eller ut, panorering, kran, steadicam-följning, handhållen, aeriell eller drönare. Linsval spelar roll också. En 16mm läses som bred och lätt förvriden, bra för skala. En 85mm komprimerar bakgrunden och smickrar ett närbild-objekt. Inget av dem behöver tre staplade adjektiv framför sig för att göra sitt jobb.

Kling hanterar detta annorlunda än Veo på ett specifikt sätt värt att veta innan du väljer verktyg: det är märkvärt starkare på smidig mänsklig och karaktärsrörelse över längre klipp, där Veo tenderar att vinna på naturlig belysning och promptträffsäkerhet på miljöklipp. Om din värld har mycket NPC-rörelse i ramen är det det bytesförhållandet du bör testa själv snarare än anta.

Jag kör establishing och miljöklipp genom Veo och karaktärtyngda slag genom Kling, sedan matchar jag world key över båda. Det är mer setup än att välja ett verktyg och stanna där, men sömmarna syns mindre än man skulle förvänta när belysningsspråket är låst.

Vad man ska slippa: De viljor som tyst kastade bort dina poäng

Tre saker jag slutade göra, i ordning efter hur mycket de kostade mig.

Nyckelordssamlande prompts. En kommaseparerad hög som "episk, filmisk, 8k, trending, mästerverk" gör mindre än en klar mening om vad som händer i ramen. Modellen har ingenting att agera på i ett ord som "episk". Den har gott om något att agera på i "kameran krankar upp när bron kommer in i sikte".

Vaga negativa prompts. "Ingen dålig kvalitet" säger modellen ingenting användbart. "Ingen lens flare, ingen motion blur på förgrundsobjektet" säger den exakt vad den ska undertrycka. Specifika negationer fungerar. Vaga gör det inte.

Att skriva om hela världen från grunden på varje klipp. Det här är samma misstag som kontinuitetsproblemet ovan, bara som slösat utgifter istället för synlig drift. Varje fullständig omskrivning är en ny chans för modellen att driva paletten, och varje driftad klipp är en generation du kastar bort.

Stapla mer än två nya element per klipp. Lägg till en ny karaktär, ett nytt vädertillstånd och en ny kamerarörelse i samma prompt, och modellen måste gissa vilket du bryr dig mest om. Ändra en sak, se vad som händer, ändra sedan nästa.

Att hålla en värld konsekvent över sex klipp

World key-tricket fungerar, men det är en manuell patch för ett problem som branschen aktivt bygger verktyg kring. Higgsfields Soul-funktion, till exempel, är byggd specifikt för att hålla en karaktärs visuella identitet konstant över separata generationer, en svårare version av samma kontinuitetsproblem jag löser för hand med ett inklistrat textblock.

Jag har ännu inte hittat ett verktyg som låser miljökontinuitet på det sätt jag vill för en full värld, sex klipp, en samlingspunkt. Tills ett sådant finns är disciplinen hos promptskrivaren: samma world key, samma belysningsspråk, samma återhållsamhet kring hur många nya element du introducerar per klipp. Två nya element per klipp, maximum. Introducera ett tredje och något annat går vanligtvis sönder.

Det finns en version av detta som skalas bortom sex klipp också. När en fork av en värld plockas upp av någon annan, en medarbetare, en andra skapare som remixar din grund, färdas world key med forken. De ärver belysningsspråket oavsett om de känner till termen eller inte, för att det sitter rätt där överst i varje prompt i sekvensen. Det är det faktiska värdet av att skriva ner det istället för att behålla det i huvudet: någon annan kan plocka upp exakt där du slutade, utan ett samtal för att synka vad "ljuset" ska se ut som.

Att redigera det du genererar: Den delen ingen promptar för

Ingen prompt fixar pacing. Så snart du har sex klipp som hålls samman måste du fortfarande klippa dem till något sevärt, lägg till textningar om stycket ska någonstans socialt, och trimma den halv-sekunden där modellens rörelse blir konstig innan den lugnar sig.

Det är en separat färdighet från prompting, och det är den de flesta guider hoppar över för att det händer efter att den intressanta delen är tekniskt färdig. Det är också där ett rått set klipp blir en faktisk sekvens, textningar in, döda ramar ut, den jobbiga halv-sekunden av rörelse trimmed innan den lugnar sig till något konstigt.

Din första utkast är ett råredigering, inte en diagnos

Första gången ett klipp kommer tillbaka fel är instinkten att skriva om hela prompten. Gör det inte. Ändra den enda raden som faktiskt är ansvarig, kameraverbet, belysningsfrasen, det enda nya elementet du lade till, och regenerera. De flesta av det som ser ut som ett promptfel är ett ord som gör fel jobb.

Skriv world key först. Skriv sedan sex korta, specifika instruktioner som bor inuti den, inte sex världar som händer att dela ett namn. Forka det klipp som ligger närmast, ändra en rad, och se vad som går sönder innan du beslutar att prompten var fel.